a digitális tartalmak szerepe -...

Budapesti Műszaki és Gazdaságtudományi Egyetem

Villamosmérnöki és Informatikai Kar

A Digitális tartalmak szerepe

a mesterséges intelligencia korában

Prof. Charaf Hassan, BME-VIK, Dékán

2Az oktatás átalakulása a tudástársadalom és MI korában 2019. november 6.

Tartalom

• Evolúció, pozicionálás, MI definició

• Trendek, miért most?

• A gépi tanulás

• Mély tanulás

• „Explainable AI” – Megmagyarázható MI

• Digitális tartalmak vs. Oktatás digitalizáció

• Felsőoktatás trendek 2019-ben

• Példa, BME-VIK


Tartalom




• Mély tanulás




• Példa, BME-VIK


Evolúció


Pozicionálás


Definíció

Tom Dietterich : „A gépi tanulás célja olyan gépeket alkotni, melyek saját tapasztalataikból kiindulva képesek tanulni és alkalmazkodni.”

Olyan algoritmusok, amik példaadatok alapján

szabályszerűségeket ismernek fel, majd ezek

alapján más, a példaadatokkal megegyező

struktúrájú és szemantikájú adatokról hoznak

döntéseket.


Tartalom




• Mély tanulás




• Példa, BME-VIK


Trendek


Tartalom




• Mély tanulás




• Példa, BME-VIK


A gépi tanulás helyeÉrt

ék

Nehézség

Leíró analízis

Diagnosztikaianalízis

Előretekintőanalízis

Preskriptív analízis

Mi történt?

Miért történt?

Hagyományos BI Haladó analitika


Mikor használható a gépi tanulás?

• Jól használható, ha

• A probléma megoldásához központi jelentőségű az előrejelzés

• Sok a múltbéli adat

• Rosszul használható, ha

• Az előrejelzés csak egy kis része a megoldásnak

• Nincs előre jelezhető minta

• Nincs elég múltbéli adat

• Túl sok üzleti szabály irányítja az adat forrásának rendszerét


Gépi tanulás- alkalmazásai

• Gépi fordítás

• Karakterfelismerés (OCR, postai osztályozó irányítószám alapján)

• Képfelismerés

• Spamszűrő

• Robotika (autonóm intelligens rendszerek)

• Természetes nyelvek feldolgozása

• Bioinformatika, gyógyszerkutatás

• Oktatás

• Egyebek


Gépi tanulás- problémák

• Jó gépi tanulási algoritmusok fejlesztése, megírása költséges

• Sok eszköz szükséges egy gépi tanulási megoldás lefejlesztéséhez (adatgyűjtés, előkészítés, modellfejlesztés)

• Nehéz a modellt üzleti értékké fordítani, a modellt szolgáltatásként publikálni

• Erőforrás-igényes, nehezen skálázható

• Nagy komplexítású feladatoknál szerényen szerepelnek


Tartalom




• Mély tanulás




• Példa, BME-VIK


Mély tanulás - indokok

• A számítási kapacitás gyors növekedése

• Sok adatunk van

• Sok fajta adat generálódik egyszerre

• GPU-k elterjedése

• Az igények növekedése

• A nagy IT cégek fejlesztéseinek gyors elterjedése és alkalmazása


Mély tanulás


Mély tanulás - helyzet

• A mély tanulás területén nagy eredmények születtek

• Ezek a technikák a kérdésre tudnak választ adni, a cél hogy a válasz korrekt legyen, tehát a jobb pontosság a cél

• Sajnos nem könnyű kivenni ezekből a technikákból, hogy MIÉRT született az adott döntés.


Tartalom




• Mély tanulás




• Példa, BME-VIK


Explanable Artificial Intelligence

Sajnos nem tudjuk megválaszolni a Miért-eket

Forrás: https://www.darpa.mil/program/explainable-artificial-intelligence


Explanable Artificial Intelligence

Forrás: https://www.darpa.mil/program/explainable-artificial-intelligence


A 3. Mesterséges intelligencia hullám


A Mesterséges intelligencia követelményei

• Fairness : Korrektség, tisztesség

• Privacy : Biztonság, adatvédelem

• Transparency: Átláthatóság

• Explainability: Megmagyarázhatóság


Tartalom




• Mély tanulás




• Példa, BME-VIK


Franciaország 1900-ben

Forrás: http://www.szineshir.hu/2015/10/17-meglepo-kep-ilyennek-kepzeltek-

jovot.html


AdaptED, hogyan tanulna


AdaptED keretrendszer

Framework

+

játékok

Szerver

Felügyelő

játékmenet,

statisztika

megfigyelés,

manipulálás

megjegyzések a

játékmenethez

Szenzoro

k

szenzor

adat


Oktatás és számonkérés

• Elektronikus tanulási környezetek• Moodle, Ilias

• Beépített számonkérések• Tesztek, kérdőívek

• Feleletválasztós, igaz-hamis, kifejtős kérdések

• Feleletválasztós, igaz-hamis válaszok automatikus kiértékelése

• Szöveges válaszok tartalom alapú kiértékelése• Mesterséges intelligencia

• Szövegbányászat, NLP


Tartalom




• Mély tanulás




• Példa, BME-VIK


Felsőoktatási trendek 2019

• Use of APIs: pl. hatékony adatcsere hallgatói információs rendszerek és

oktatásmenedzsment rendszerek között; felhőalapú rendszerek integrációja

• Active learning classrooms: pl. hallgatóközpontú, technológia-gazdag

tanulási környezet, nagyméretű kijelzőkkel, projektorokkal stb.

0–20% 21–40% 41–60% 61–80% 81–100%Using

Forrás: https://www.educause.edu



0–20% 21–40% 41–60% 61–80% 81–100%Using

• Blended data center: pl. felhőalapú- és saját üzemeltetésű rendszerek

integrációja; stratégiai váltás SaaS (software as a service) -> IaaS (infrasturcture

as a service)

• Accessibility technologies: pl. oktatást támogató alkalmazások pl. fizikai

vagy kognitív szempontból hátrányos helyzetű hallgatóknak, személyzetnek




0–20% 21–40% 41–60% 61–80% 81–100%Using

• Mobil devices: az oktatási anyagok kompatibilitása mobileszközökkel;

mobileszköz-alapú teljesítményértékelés, hallgatói együttműködés,

terepmunka…

• OERs: ingyenesen elérhető, nyílt licenszű dokumentumok és anyagok

oktatáshoz, tanuláshoz, teljesítményértékeléshez, kutatáshoz




0–20% 21–40% 41–60% 61–80% 81–100%Using

• Analyses of student data: technológiák nagyméretű, komplex adathalmazok

azonnali, gyors eléréséhez és elemzéséhez; pl. hallgatói elkötelezettség

trendjei

• Analytics for student success: előremenetel elemzése; modellek a

tanulmányok késleltetésére, megszakítására vonatkozó rizikótényezők

felismerésére




0–20% 21–40% 41–60% 61–80% 81–100%Using

• Student success planning: oktatási, tanulási, pénzügyi és más adatok

elemzése, személyek együttműködése intézményi szinten a hallgatói

kibocsátás támogatására

• Application performance: eszközök az intézményi alkalmazások

teljesítményének monitorozására pl. a felhasználói élmény ill. belső metrikák

szempontjából (pl. terhelés és kapacitás)



Tartalom




• Mély tanulás




• Példa, BME-VIK


Programozás: Tananyag modern eszközökkel


Automatikus feladat kiértékelés


Hallgató mit kap?

Feladat kiadása automatikus

GitHub Classroom

Feladathoz tartozó

instrukciók


Oktató hogyan értékel?

Dedikált alkalmazás

GitHub integráció

Exercise 3: Running import with SSIS

Microsoft (R) SQL Server Execute Package Utility

Version 14.0.3015.40 for 64-bit

Copyright (C) 2017 Microsoft. All rights reserved.

Started: 4:49:07 AM

Progress: 2019-04-15 04:49:12.52

Source: Truncate BXUser

Executing query "truncate table BXUser".: 100% complete

End Progress

Progress: 2019-04-15 04:49:12.59

Source: import users

Validating: 0% complete

End Progress

Progress: 2019-04-15 04:49:13.42



End Progress

Progress: 2019-04-15 04:49:13.42



End Progress

Értékelés: futtatás

Pont / jegy javaslat

Budapesti Műszaki és Gazdaságtudományi Egyetem

Villamosmérnöki és Informatikai Kar

www.vik.bme.hu

http://www.vik.bme.hu/

a digitális tartalmak szerepe -...

Documents